模糊逻辑控制系统是由模糊器、规则、模糊推理引擎、解模糊器四个主要模块构成的智能化学习系统。在工程问题中,将模糊逻辑系统的判决与学习能力与目标识别结合起来,使得接收到的原始数据中更多的关联信息能够被充分利用起来,能够提高对于目标类型和参数的识别能力。在大数据的背景下,模糊逻辑控制与识别的融合,将会产生更多的研究方向和新的技术,而现有的文献报道和应用案例中对这一方面的研究较少。本文针对两种典型的识别问题设计相应的两种模糊逻辑系统,分别进行目标识别和参数识别的应用基础研究问题,主要工作包括:1.本文首先介绍了两类主要的模糊集合及其运算性质,以及两类模糊逻辑系统的设计。包括一型与二型模糊集合的定义与运算,相同集合与不同集合之间的融合计算等。在此基础上讨论一型和二型模糊逻辑系统的框架,及其各部分模块的设计与逻辑关系表达。针对二型模糊逻辑系统,从理论研究和工程实际的角度出发,进一步探讨了区间二型模糊逻辑系统。2.本文然后针对空中目标的宽带雷达目标高分辨率一维距离像,采用一型模糊逻辑控制系统进行识别。该模型针对不同种类的空中目标的一维距离像下所提取的两类特征进行融合。首先根据目标本身的特点,基于专家经验进行分类,然后在分类的基础上采用两种不同类型的隶属函数建立模糊器,并根据专家经验设计模糊规则和解模糊器。将待测试的两种基于一维距离像的特征数据输入预先分类两种不同的的模糊集中,经过模糊化、基于规则的推理、解模糊几个步骤输出识判别的目标类型。本文进一步分析了在不同的信噪比和虚警概率条件下的模糊逻辑控制系统对目标正确识别的性能变化。3.在研究了一型模糊逻辑系统的基础上,进一步研究了处理高不确定度的二型模糊逻辑系统,并将两种模糊逻辑系统进行了比较。这一部分将两种模糊逻辑系统应用于超宽带雷达获取的实测回波数据以识别两类土壤的不同体积含水量值。首先采集砂土和裸土两类不同的土壤不同的含水量下的超宽带雷达回波。经过数据预处理后,将多次雷达回波拼接起来构成准周期信号用于进行时序建模,并在该模型基础上分别采用了一型和二型模糊逻辑控制系统进行时序预测学习训练。训练中分别采用了后向传播算法和修正的K-M算法进行迭代,当实测和预测回波的均方根误差收敛到固定门限时,提取对应的隶属函数参数,以获得不同种类不同含水量的土壤模板。然后采用模板匹配的原理对待识别回波进行同等处理,识别其相应的体积含水量,并比较两种模糊逻辑系统在两种不同的准则下的正确识别性能。通过对上述两种模糊逻辑系统的研究发现:(1)在对空中目标的识别中,对比两种不同的模糊器的隶属函数设计,在不同的虚警概率条件下,对于F-15和AH-64,采用三角形和梯形隶属函数组合的识别率优于高斯型隶属函数,而Tu-16则情况相反。因此,如何设计模糊逻辑系统受到了目标特征和经验知识的影响。(2)在对土壤的含水量参数识别中,两种模糊逻辑系统的时序预测都实现了收敛,并且经过多次迭代后获得了一型二型模糊集合对应的隶属函数系数的参数模板。识别结果显示二型模糊逻辑系统相比于一型模糊逻辑系统而言识别性能更优,这是由于融合了背景噪声中所蕴含的更高一层次的不确定度。但二型模糊逻辑系统的计算代价更大。